Artikel ini sudah di post di Kompas.com
Kompas.com, 22 Maret 2026
Penulis : Dr. Ir. Dimitri Mahayana, M. Eng, CISA, ATD
Gambar ini dibuat menggunakan AI
RISET dari MIT, Gartner, Deloitte, Forrester, IBM, dan Carnegie Mellon University mengungkap bahwa kegagalan adopsi kecerdasan buatan di korporasi bukan soal kecanggihan teknologi, melainkan soal kesiapan organisasi pada enam lapis fondasi yang sering diabaikan.
AI generatif telah menjadi topik panas di dunia bisnis global. Hampir setiap perusahaan besar berlomba-lomba mengadopsinya.
Namun, kenyataan di lapangan jauh lebih suram dari yang dibayangkan: tingkat kegagalan proyek AI korporasi diperkirakan mencapai 50 hingga 95 persen, yaitu proyek yang tidak pernah berhasil mencapai tahap produksi atau terbukti memberikan nilai bisnis yang nyata.
Angka yang mengejutkan itu bukan sekadar statistik kosong. Ia mencerminkan miliaran dolar AS investasi yang menguap, sumber daya manusia terkuras, dan ekspektasi yang tidak terpenuhi.
Bahkan pada level penggunaan sehari-hari, berbagai tantangan mendasar masih muncul.
Survei terhadap 2.242 pengguna GenAI oleh Sharing Vision Indonesia (Des 2025) menunjukkan bahwa 58 persen pengguna menemukan output yang diberikan tidak sesuai fakta walaupun tampak meyakinkan, 54 persen memperoleh jawaban tidak konsisten, dan 52 persen menerima respons yang tidak relevan dengan permintaan.
Walaupun AI generatif sangat meyakinkan dalam menyampaikan jawaban, tetapi akurasi, konsistensi, dan relevansi output masih menjadi tantangan serius yang memerlukan verifikasi manusia.
Lalu, apa yang sesungguhnya salah?
Berdasarkan sintesis riset terkini oleh berbagai institusi terkemuka, seperti MIT, Gartner, Deloitte, IBM, Forrester, hingga Carnegie Mellon University (CMU), akar masalahnya bukan pada ketidakcanggihannya teknologi AI itu sendiri.
Ada enam faktor fundamental yang kerap luput dari perhatian para pemimpin bisnis.
Artikel ini menguraikan tiga isu yang telah lama dikenal, lalu membelahnya lebih dalam menjadi enam lapisan yang lebih operasional dan tepat sasaran.
Faktor pertama, kualitas data yang buruk. Fondasi paling mendasar dari setiap sistem AI adalah data. Ironinya, inilah yang paling sering diabaikan.
Banyak perusahaan terburu-buru membangun model AI tanpa terlebih dahulu memastikan bahwa data yang mereka miliki bersih, konsisten, dan relevan.
Gartner menemukan bahwa kualitas data yang buruk menjadi penyebab utama ditinggalkannya proyek AI, karena menghasilkan output yang tidak dapat diandalkan.
Para pakar bahkan memperkirakan kurang dari satu persen data perusahaan yang berhasil diintegrasikan ke dalam model AI, sehingga menyisakan potensi besar yang sama sekali tidak tergarap.
Masalah kualitas data tidak hanya soal kesalahan ketik atau nilai yang hilang. Yang sering luput dari perhatian adalah ketidakkonsistenan definisi antardepartemen (misalnya, apa yang dimaksud “pelanggan aktif” berbeda antara divisi marketing dan keuangan).
Belum lagi data yang tidak berlabel untuk keperluan supervised learning, atau bias historis yang sudah lama mengendap dalam catatan-catatan lama perusahaan.
Sebuah model AI yang dilatih di atas data semacam itu akan mewarisi seluruh kecacatan itu. Ia akan memperbesar dampaknya dalam skala yang jauh lebih luas.
Di sinilah letak paradoks terbesar muncul: semakin besar volume data yang dimiliki perusahaan, semakin besar pula ilusi bahwa data itu sudah siap pakai.
Kenyataannya, lebih banyak data kotor hanya menghasilkan lebih banyak kebisingan, bukan lebih banyak kecerdasan.
Faktor kedua, infrastruktur yang tidak skalabel dan biaya tersembunyi. Bahkan ketika kualitas datanya baik, perusahaan kerap menemui tembok berikutnya: infrastruktur yang tidak mampu menopang AI dalam skala operasional penuh.
Ini adalah faktor yang sengaja dipisahkan dari persoalan data, karena sifat dan solusinya berbeda secara fundamental.
Sebagai contoh, biaya per “token”—satuan terkecil pemrosesan model bahasa besar (LLM). Angkanya mungkin terlihat tampak sepele saat demonstrasi, tapi hal ini bisa berubah menjadi “lubang hitam” anggaran ketika ribuan karyawan menggunakannya untuk ratusan kasus penggunaan secara bersamaan.
Tidak sedikit perusahaan yang merayakan keberhasilan teknis di fase pilot, lalu terpaksa menghentikan proyeknya enam bulan kemudian bukan karena modelnya gagal, melainkan karena tagihan komputasinya jauh melampaui proyeksi awal.
Persoalan infrastruktur juga mencakup latensi sistem, kemampuan integrasi dengan sistem warisan (legacy), dan skalabilitas pipeline data.
Sebuah model yang bekerja sempurna di lingkungan sandbox bisa runtuh total saat harus merespons jutaan permintaan per hari dengan data real-time yang terus berubah.
Perusahaan yang meremehkan total cost of ownership (TCO) AI (termasuk biaya pembaruan model, pemantauan, dan penanganan insiden) akan selalu terkejut di akhir tahun fiskal.
Faktor ketiga, rekayasa sistem AI yang lemah. Faktor ketiga adalah yang paling teknis, tapi dampaknya terasa di seluruh organisasi.
Banyak pemimpin bisnis (dan bahkan sebagian praktisi teknologi) masih memperlakukan AI seolah-olah ia adalah aplikasi perangkat lunak biasa: pasang, konfigurasi, dan jalankan.
Carnegie Mellon University (CMU) menegaskan bahwa sistem AI adalah sistem intensif-perangkat-lunak yang memerlukan penerapan prinsip rekayasa perangkat lunak dan sistem yang matang.
Ini mencakup arsitektur yang secara eksplisit dirancang untuk menangani ketidakpastian, sesuatu yang inheren dalam setiap model probabilistic, serta mekanisme validasi yang tidak berhenti setelah deployment, melainkan terus berjalan sepanjang siklus hidup sistem.
Dalam praktik, kelemahan rekayasa ini berwujud sebagai model yang tidak memiliki mekanisme fallback ketika konfidensnya rendah, pipeline pelatihan yang tidak terdokumentasi sehingga tidak dapat direproduksi, serta absennya pengujian regresi yang memastikan pembaruan model tidak merusak perilaku yang sudah berfungsi baik.
Perlu ditambahkan pula: ketika kualitas data yang buruk (Faktor 1) bertemu dengan infrastruktur yang lemah (Faktor 2) di atas fondasi rekayasa yang rapuh (Faktor 3), hasilnya bukan sekadar penjumlahan tiga masalah. Melainkan efek berganda yang menciptakan kekacauan (chaos) yang jauh lebih susah diperbaiki.
Faktor keempat, kesenjangan pembelajaran dan integrasi alur kerja. Tiga faktor pertama berkaitan dengan kesiapan teknis. Faktor keempat bergeser ke dimensi manusia dan organisasi—dan di sinilah banyak proyek AI yang secara teknis berhasil justru gagal secara bisnis.
Laporan MIT NANDA menyebut fenomena ini sebagai “kesenjangan pembelajaran” (learning gap). Karyawan telah terbiasa dengan alat AI konsumen, DeepSeek, Qwen, ChatGP, yang adaptif, memiliki memori percakapan, dan terus belajar dari interaksi.
Sebaliknya, alat AI korporasi seringkali bersifat statis: tidak memiliki memori antarsesi, tidak bisa belajar dari koreksi pengguna, dan tidak berkembang mengikuti kebutuhan bisnis yang berubah.
Sebagian besar keterbatasan ini bukan semata-mata cacat desain, melainkan juga cerminan keterbatasan infrastruktur yang disediakan perusahaan.
Banyak perusahaan melakukan kesalahan mendasar dengan sekadar “menempelkan” AI pada alur kerja lama yang tidak efisien.
Mereka mengotomasi prosedur manual yang seharusnya dihapuskan sama sekali. AI yang terbaik sekalipun tidak akan menghasilkan nilai jika ia dipaksa mengikuti proses yang sudah usang.
Hubungan dengan AI perlu berevolusi dari sekadar “alat yang digunakan” menjadi “mitra yang diintegrasikan” dalam cara kerja.
Dampak kumulatifnya dapat dilihat dari data Deloitte: meskipun adopsi AI meluas, baru 25 persen perusahaan yang berhasil mengalihkan lebih dari 40 persen proyek percontohan mereka ke tahap produksi skala penuh.
Mayoritas tersangkut di fase uji coba, bukan karena teknologinya gagal, melainkan karena manusia dan prosesnya tidak siap menerima.
Faktor kelima, lemahnya tata kelola AI. Faktor kelima beroperasi di level kebijakan dan kepemimpinan.
Perkembangan kapabilitas teknologi AI berlangsung jauh lebih cepat daripada kemampuan institusi untuk menciptakan tata kelola yang memadai. Celah inilah yang berbahaya.
Forrester memproyeksikan kerugian lebih dari 10 miliar dolar AS pada tahun 2026 yang disebabkan oleh penggunaan GenAI yang tidak terkelola dengan baik, sehingga memicu insiden mulai dari denda hukum dan pelanggaran privasi hingga anjloknya harga saham akibat keputusan algoritmik yang salah.
Deloitte menambahkan temuan yang lebih mengkhawatirkan: meskipun banyak perusahaan telah berencana menggunakan AI agent yang otonom, hanya 21 persen yang memiliki model tata kelola matang untuk mengawasi sistem tersebut.
Tata kelola AI yang lemah berwujud dalam banyak bentuk: tidak adanya AI risk register yang mendokumentasikan potensi halusinasi, bias, dan kebocoran data; absennya mekanisme human-in-the-loop untuk keputusan bernilai tinggi; serta ketiadaan prosedur audit model yang berkala.
Dalam konteks Indonesia, tantangan ini diperparah oleh dinamika internal yang khas: para pengembang dan inovator sering merasa terhimpit antara tekanan untuk berinovasi cepat di satu sisi, dan pagar regulasi yang dirasakan membatasi ruang gerak di sisi lain.
Pendekatan berbasis reward and punishment semata berisiko menghasilkan kepatuhan semu. Yang dibutuhkan adalah dialog berbasis komunikasi empatik antara pembuat kebijakan dan para pelaksana.
Atau proses yang memungkinkan tata kelola tumbuh secara organik, dipahami, dan diinternalisasi, bukan sekadar dipatuhi karena takut sanksi.
Faktor keenam, kaburnya nilai bisnis dan salah alokasi investasi. Faktor keenam adalah yang paling strategis, dan ironisnya yang paling sering luput dari agenda rapat direksi.
Banyak perusahaan memulai perjalanan AI mereka dari pertanyaan yang salah: “Teknologi AI apa yang sedang populer?” alih-alih “Masalah bisnis apa yang paling urgen dan bisa diselesaikan AI?”.
Sehingga banyak proyek AI yang tidak memiliki business case maupun ROI yang jelas.
Gartner menyebut absennya nilai bisnis yang terukur sebagai “titik kritis” utama yang membuat proyek AI mudah dihentikan begitu anggaran mulai ketat.
Proyek yang tidak memiliki KPI bisnis yang jelas sejak awal tidak akan mampu membuktikan relevansinya ketika prioritas anggaran bergeser.
MIT menemukan adanya “bias investasi” yang sistemik. Perusahaan cenderung memprioritaskan use case AI yang dampaknya mudah diukur, seperti pada fungsi penjualan dan pemasaran.
Sebaliknya, fungsi back-office seperti legal, procurement, dan keuangan sering kali menghasilkan manfaat yang lebih tidak langsung. Misalnya, peningkatan efisiensi proses atau pengurangan risiko kepatuhan.
Karena dampaknya sulit dikaitkan secara langsung dengan indikator kinerja strategis, area-area dengan potensi ROI tinggi ini justru sering kurang mendapatkan perhatian dalam investasi AI.
Banyak perusahaan nampak mengejar visibilitas, bukan nilai. Fenomena ini sering disebut sebagai jebakan FOMO (fear of missing out): mengadopsi AI karena tekanan sosial dan persaingan, bukan karena kebutuhan operasional yang nyata.
Hasilnya adalah portofolio proyek AI yang terlihat impresif dalam laporan tahunan, tapi rapuh di balik angka-angka ROI yang tidak pernah benar-benar diukur.
Jalan Keluar: Fondasi Dulu, Teknologi Kemudian
Keenam faktor di atas memiliki benang merah yang sama: perusahaan terlalu terpesona oleh kilau teknologi AI hingga melupakan fondasi yang harus dibenahi terlebih dahulu.
Mengikuti tradisi filsafat sejak Aristoteles hingga kritik modern terhadap teknologi seperti yang dikemukakan oleh George Grant.
Mengikuti tradisi filsafat sejak Aristoteles, teknologi seharusnya diposisikan sebagai sarana untuk mencapai tujuan manusia.
Namun, sebagaimana diperingatkan George Grant, modernitas telah membalik hubungan ini: teknologi kini berpotensi menjadi kekuatan yang justru membentuk nilai-nilai dan kebijakan masyarakat, bukan sebaliknya.
Kualitas data, infrastruktur proporsional, rekayasa sistem yang matang, desain ulang alur kerja, tata kelola yang hidup, dan kejelasan nilai bisnis bukanlah hambatan untuk adopsi AI.
Keenam hal itu adalah prasyarat-nya. Tanpa keenamnya, investasi AI sebesar apa pun hanya akan berakhir sebagai kisah kegagalan yang mahal dan melelahkan.
Di Indonesia, tantangan ini terasa lebih akut karena ekosistem data dan infrastruktur digital masih dalam proses pembangunan, sementara tekanan untuk “tidak ketinggalan AI” datang dari berbagai arah.
Institusi dan korporasi perlu memiliki keberanian untuk memperlambat langkah demi membangun fondasi yang benar, daripada berlari kencang menuju kegagalan yang lebih mahal.
Para pemimpin bisnis yang bijak tidak akan bertanya, “Teknologi AI apa yang harus kita beli?” melainkan, “Apakah keenam fondasi organisasi kita sudah cukup kuat untuk menopang AI?”
Perbedaan kedua pertanyaan itu bisa menentukan apakah investasi senilai miliaran atau ratusan miliaran rupiah akan berbuah hasil nyata. Atau menguap sia-sia.
Mari kembangkan AI yang menebarkan keberkahan dan kemanfaatan bagi institusi, korporasi, dan masyarakat luas.
Editor : Sandro Gatra
—
Informasi Perusahaan:
PT Sharing Vision Indonesia
Jl. Anggrek No.47, Cihapit, Bandung, Jawa Barat 40114
